LAMA 是一个基于启发式正向搜索的经典规划系统,利用里程碑派生的伪启发式是其核心特征,结合具备成本敏感性的两种启发式可以面对具有非均匀成本的动作,迭代加权 A * 搜索可持续提高搜索质量并表现出与使用里程碑有协同效应;LAMA 在国际计划竞赛 2008 的顺序满足赛道表现最佳,但它的启发式评估中融入动作成本并不具优势,导致在某些情况下,不考虑成本的搜索方法更加成功,这引出了今后应如何更有效地处理行动成本的问题。
Jan, 2014
当前的学习规划方法在几个领域中仍无法与经典规划器达到竞争力的性能,并具有较差的综合性能。本研究提出了一种构建新颖的图表示的提升规划任务,并使用 WL 算法从中生成特征的方法。这些特征与传统机器学习方法结合使用,其参数数量比最先进的深度学习规划模型少 2 个数量级,训练速度快 3 个数量级。我们的新方法 WL-GOOSE 可可靠地从头开始学习启发式,并在公平竞争环境中优于 $h^{ext {FF}}$ 启发式。在 10 个领域中 WL-GOOSE 在覆盖率上优于或与 LAMA 持平,在计划质量上优于 LAMA 的 4 个领域。WL-GOOSE 是第一个在学习规划模型中取得这些成就的模型。此外,我们还研究了我们的新型 WL 特征生成方法、先前的理论化学习架构和用于规划的描述逻辑特征之间的联系。
Mar, 2024
LatPlan 通过无标签图像数据学习领域无关的经典计划器模型,提出了基于可信性的启发式方法 PBH,可以显著提高图像拼图和汉诺塔领域的有效解决方案数量。
Jun, 2023
本研究介绍了一种利用启发式算法解决定理证明和计划制定问题的方法,并将其应用于 situation calculus 中。该方法通过使用 A * 搜索算法排列一系列情境,并利用删除松弛法控制启发式规划器,获得较短的计划方案,并探索较少的状态。实验表明,该方法可以应用于较大规模的问题。
Mar, 2023
基于前向状态空间搜索的启发式搜索算法是实现 FF 规划系统的主要技巧,该系统因比 HSP 系统更具优越性能而赢得了最近 AIPS-2000 规划竞赛的冠军。
Jun, 2011
本文利用 Bidirectional A * 算法及三种启发式算法(曼哈顿距离、线性位差和行走距离)解决了 Fifteen Puzzle 问题,并将这三种启发式算法混合运用,有效减少了算法生成状态数和扩展节点数,大大降低了空间复杂度,保证了最优解或接近最优解。
Jan, 2023
该论文提出了一种启发式搜索算法来解决一阶马尔可夫决策过程,其方法结合了一阶状态抽象和启发式搜索,以避免对所有状态进行评估,并通过可达性引导来限制搜索。该方法在国际计划竞赛中取得了较好的成绩。
Sep, 2011
本文介绍了一种新的分支启发式方法和一种称作 ALDS 的搜索技术。在 SAT 2009 竞赛上的表现表明,这两种技术结合在一起可以极大地降低搜索树的大小。
Feb, 2014
提出了一种基于 UCB1-Normal 赌博机算法的 MCTS / THTS(Monte Carlo Tree Search / Trial Based Heuristic Tree Search)算法,该算法可以处理具有不同尺度的奖励分布,在经典计划中使用有更好的性能表现。
May, 2023
研究通过将传统的运动规划算法和机器学习相结合,在高维状态空间中执行长时程、连续任务的计划,提出了一种名为 BELT 的任务条件、基于模型的树搜索方法。
Oct, 2020